Sam Altman ammette di aver sbagliato i tempi dell’IA: perché GPT-4 ha avuto un impatto economico più lento del previsto

Sam Altman sembra rivedere soprattutto la tempistica, non l’importanza strategica dell’intelligenza artificiale. In un’intervista pubblicata il 23 agosto 2026, il CEO di OpenAI avrebbe detto di essersi aspettato che, dopo l’arrivo di GPT-4 nel 2023, le aziende del software e l’economia in generale sarebbero state sconvolte molto più rapidamente. 36

La lezione che emerge è semplice, ma spesso trascurata: un modello capace è soltanto il punto di partenza. Per trasformare quella capacità in un cambiamento diffuso servono applicazioni affidabili, nuovi processi aziendali, infrastrutture, formazione, regole e consenso pubblico. Tutti elementi che si stanno muovendo più lentamente e tra maggiori contrasti rispetto all’entusiasmo seguito a GPT-4.

La previsione di Altman cambia: tecnica e adozione non sono la stessa cosa

L’ammissione di Altman distingue tra progresso tecnico e adozione economica. Il CEO si aspettava che le capacità dimostrate da GPT-4 avrebbero spinto rapidamente le imprese a cambiare e i mercati del software a riorganizzarsi. Invece, il passaggio dalle prestazioni di un modello alla trasformazione concreta delle aziende si è rivelato più lungo. 36

Questo non significa che l’IA sia diventata irrilevante per l’economia. Significa che addestrare modelli sempre più avanzati non modifica automaticamente il modo in cui lavorano le imprese. Servono prodotti utili, integrazione con i sistemi già esistenti, nuovi flussi di lavoro, formazione del personale e una ragione concreta per sostenere i costi dell’adozione.

In questa prospettiva, il collo di bottiglia nell’immediato riguarda meno la possibilità di migliorare i modelli e più la capacità delle organizzazioni di usarli davvero. Le osservazioni successive di Altman continuano a descrivere un progresso rapido dell’IA e una riduzione dei costi di utilizzo: una diffusione più lenta non va quindi confusa con un ridimensionamento delle ambizioni. 40

Perché l’adozione può restare indietro rispetto ai modelli

La distanza tra una dimostrazione tecnica e un impiego reale è ampia. Un’azienda deve spesso riprogettare i propri processi, definire controlli, proteggere i dati, affrontare i rischi di sicurezza e stabilire chi sia responsabile quando un sistema di IA commette un errore.

Anche le infrastrutture impongono limiti concreti. I sistemi di intelligenza artificiale richiedono enormi quantità di capacità di calcolo, mentre i data center incontrano opposizione per il consumo di elettricità e acqua, la capacità della rete, l’uso del suolo e gli effetti sull’economia locale. Un dato Gallup citato dal New York Times riferisce che il 71% degli adulti statunitensi è contrario alla costruzione di un data center per l’IA nella propria zona; lo stesso resoconto afferma che più di una dozzina di progetti è stata bloccata o rinviata a causa dell’opposizione locale. 18

Altman ha riconosciuto il disagio delle comunità e ha suggerito che i data center potrebbero essere collocati più opportunamente in aree desertiche e remote. 23 La proposta mette in luce i limiti pratici dell’espansione dell’IA: non basta avere accesso a chip e corrente se un progetto non riesce a ottenere autorizzazioni, terreni, collegamenti alla rete e sostegno della comunità.

Perché Altman parla di un ritmo da “calibrare”

In un intervento distinto, Altman ha sostenuto che lo sviluppo dell’IA potrebbe dover essere “calibrato” per dare alla società il tempo di “irrobustirsi” e prepararsi a nuovi livelli di capacità. Ha aggiunto che qualsiasi approccio coordinato dovrebbe evitare sia la cattura regolatoria sia accordi collusivi tra i laboratori che sviluppano i modelli più avanzati. 37

Non è una richiesta di fermare per sempre la ricerca sull’IA. È piuttosto l’idea che il ritmo della distribuzione dei nuovi strumenti e quello dell’adattamento sociale debbano essere coordinati con maggiore attenzione. La tecnologia può avanzare rapidamente mentre le istituzioni chiamate a governarla, le imprese che dovrebbero adottarla e il pubblico che deve accettarla procedono più lentamente.

I due rischi “anti-umani”

Il problema descritto in questo dibattito ha due direzioni opposte:

1. L’IA diventa così potente che persone e istituzioni non riescono più a controllarla in modo significativo.
2. Il controllo sull’IA avanzata si concentra nelle mani di un numero troppo ristretto di aziende o governi.

Il secondo rischio è coerente con l’argomento più ampio di Altman secondo cui l’IA deve essere democratizzata e il potere non può concentrarsi eccessivamente. 44 I due pericoli spingono però le politiche pubbliche in direzioni diverse. Controlli centralizzati e stringenti possono ridurre alcuni abusi, ma concentrare l’accesso e le decisioni in pochi soggetti può creare un rischio politico ed economico altrettanto serio.

Il materiale disponibile non dimostra che Altman stesse attaccando direttamente Anthropic, né che abbia definito intrinsecamente “anti-umana” la sua impostazione più prudente e incentrata sulla sicurezza. Leggere quelle dichiarazioni come una critica ad Anthropic è quindi un’interpretazione, non un fatto confermato. La conclusione più solida è più circoscritta: l’IA di frontiera presenta un autentico compromesso tra controllo dei rischi e concentrazione del potere.

Che cosa suggerisce l’accordo tra NVIDIA e Poolside

La transazione riferita tra NVIDIA e Poolside mostra perché un’adozione più lenta non equivalga a investimenti più deboli. NVIDIA avrebbe accettato di pagare 6 miliardi di dollari per ottenere la licenza della tecnologia di Poolside e di investire un ulteriore miliardo nella startup. Più di 100 dipendenti di Poolside dovrebbero lavorare alla famiglia di modelli open-weight Nemotron di NVIDIA. 1

L’operazione suggerisce che la competizione sull’IA si sta estendendo oltre l’addestramento dei modelli di frontiera. Aziende dell’hardware e sviluppatori di modelli stanno investendo anche in strumenti software, processi per la creazione dei modelli e alternative open-weight, cioè modelli i cui pesi sono disponibili e che possono essere personalizzati e distribuiti più facilmente. 5

È più corretto interpretare questa mossa come una preparazione a un ciclo di adozione lungo, non come il segnale che NVIDIA si aspetti un crollo della domanda di IA. Le aziende sembrano prepararsi a una diffusione dell’intelligenza artificiale attraverso molte applicazioni e organizzazioni nel tempo, invece di scommettere sul fatto che una singola uscita possa trasformare all’istante l’intera economia.

La conclusione: non una ritirata, ma una diffusione più lenta

La revisione dei tempi da parte di Altman, la protesta contro i data center e l’investimento di NVIDIA in Poolside delineano una transizione molto più complessa di quella promessa dall’hype iniziale.

Lo sviluppo dell’IA continua ad accelerare, ma la sua adozione è frenata da diversi fattori:

• la difficoltà di costruire applicazioni affidabili;
• il lavoro organizzativo necessario per modificare i processi aziendali;
• la disponibilità di calcolo, elettricità, acqua e infrastrutture di trasmissione;
• autorizzazioni e opposizione politica a livello locale;
• dubbi su sicurezza, responsabilità e concentrazione del potere.

La conclusione più difendibile non è che le principali aziende dell’IA abbiano deciso di rallentare deliberatamente lo sviluppo. Le prove indicano qualcosa di più sfumato: continuano a investire in modo aggressivo, ma riconoscono che la trasformazione economica arriverà attraverso una diffusione più lenta, costosa e politicamente controversa.

GPT-4 può aver segnato un salto importante nelle capacità dei modelli. Ma la capacità tecnica, da sola, non è mai stata sinonimo di adozione immediata.